AI视频模型的物理推理能力：突破还是幻象？

在人工智能领域，生成式视频模型正迅速成为研究热点。过去几个月，许多AI支持者对生成式视频模型及其展现出的对物理世界有限但明显的知识表现出浓厚兴趣。这种学习能力可能支撑起一个强大的所谓"世界模型"，这将标志着生成式AI在实际现实世界能力上的重大突破。

然而，最新研究揭示了一个更为复杂的现实：当前AI视频模型在物理推理任务上的表现高度不一致，引发了对这些模型是否真正理解物理世界的质疑。

研究背景：AI视频模型的崛起与期望

生成式视频模型的发展令人瞩目。从能够将照片转化为可探索的3D世界，到实时模拟1993年《毁灭战士》游戏，这些模型似乎正在展示出对物理世界属性的初步理解。这种能力被视为构建"世界模型"的关键，而世界模型将使AI能够更好地理解和预测现实世界的行为。

Google DeepMind的研究团队试图以科学严谨的方式评估视频模型从训练数据中学习现实世界的能力。在其直白标题的论文《视频模型是零样本学习者和推理者》中，研究人员使用Google的Veo 3模型生成了数千个视频，以测试其在数十项与感知、建模、操作和推理现实世界相关的任务中的能力。

研究人员采用了一套全面的测试方法，评估Veo 3模型在多种任务中的表现。这些任务涵盖了从简单的图像处理到复杂的物理推理等多个维度。

测试包括以下几类任务：

每个任务进行12次试验，以评估模型的一致性和可靠性。这种全面的测试方法为评估AI视频模型的实际能力提供了宝贵的数据。

Veo 3模型在部分任务上表现出色，展示了令人印象深刻的一致性。例如，在机器人手开罐子和抛接球等动作生成中，模型在12次试验中均能生成合理的视频。同样，在图像去模糊、去噪、填补复杂图像空白以及物体边缘检测等任务中，Veo 3也表现出完美或接近完美的结果。

然而，在其他任务上，模型的表现则大相径庭。例如：

值得注意的是，研究人员对这些结果采取了相对宽松的解读标准。在论文中，只有当模型在所有12次试验中都失败时，才被列为"失败案例"。在测试的62个任务中，这种情况只发生在16个任务中。

对于其他任务，研究人员写道："成功率大于0表明模型具备解决该任务的能力"。因此，即使在某个任务中失败11次，也被视为模型具备解决该任务能力的证据。

根据这一标准，Veo 3在18个任务中失败次数超过一半，在另外14个任务中失败次数占25-50%。这些"部分成功"被解读为模型能力的证明，而非局限性的表现。

研究人员承认Veo 3的表现"尚未完美"，但他们指出"从Veo 2到Veo 3的一致性改进"，暗示未来的视频模型将"成为视觉的通用基础模型，就像LLMs对语言所做的那样"。

确实，一些数据支持这一论点。在数千次视频生成的定量测试中，Veo 3能够72%的时间反映随机模式的水平翻转，而Veo 2的这一比例为0%。在边缘检测、物体提取和迷宫解决等任务上，Veo 3也显示出比Veo 2更好的一致性。

然而，过去表现并不预示未来结果。从当前视角来看，很难判断像Veo 3这样的视频模型是否即将迎来一致性的指数级改进，或者正在接近收益递减的拐点。

AI视频模型测试结果

Veo 3在某些任务上表现一致，如机器人手开罐子，但在其他任务上则表现不稳定。

经历过LLM（大型语言模型）的编造问题后，我们知道模型"有时"生成正确结果与升级后的模型"总是"生成正确结果之间存在巨大差距。对于相同的提示，视频模型何时、为何以及如何失败或成功，并非一个简单的问题，也不是未来模型注定能很快解决的问题。

这种不一致性反映了当前AI视频模型的核心局限：它们缺乏对物理世界真正连贯的理解。虽然模型可能偶尔生成符合物理规律的结果，但这更多是基于模式匹配而非真正的推理能力。

尽管当前的生成式视频模型令人印象深刻，但这种测试中显示的不一致性证明，在它们能够被认为是对世界进行广泛推理之前，还有很长的路要走。这对AI视频模型的实际应用产生了直接影响：

要使AI视频模型成为真正的"世界模型"，需要在以下几个关键领域取得突破：

AI视频模型的发展令人兴奋，但我们也需要保持现实的期望。Veo 3等模型在某些任务上的成功展示了技术的潜力，但高度不一致的表现也清楚地表明了当前的局限性。

正如研究所示，从偶尔成功到可靠推理之间存在巨大差距。虽然技术进步可能会缩小这一差距，但真正的世界模型可能需要概念上的突破，而不仅仅是渐进式的改进。

在未来几年，我们可能会看到AI视频模型在特定领域取得显著进步，但要实现真正的通用物理理解，还需要基础研究的重大突破。在这个过程中，保持对技术能力的批判性评估至关重要，既不过度炒作也不低估潜力。

AI视频模型发展趋势

AI视频模型在物理推理任务上的表现呈现高度不一致性，未来发展需要多方面突破。